PyTorch torch.nn 参考手册

83 次浏览	1次

PyTorch 的 torch.nn 模块是构建和训练神经网络的核心模块，它提供了丰富的类和函数来定义和操作神经网络。

以下是 torch.nn 模块的一些关键组成部分及其功能：

1、nn.Module 类：

nn.Module 是所有自定义神经网络模型的基类。用户通常会从这个类派生自己的模型类，并在其中定义网络层结构以及前向传播函数（forward pass）。

2、预定义层（Modules）：

包括各种类型的层组件，例如卷积层（nn.Conv1d, nn.Conv2d, nn.Conv3d）、全连接层（nn.Linear）、激活函数（nn.ReLU, nn.Sigmoid, nn.Tanh）等。

3、容器类：

nn.Sequential：允许将多个层按顺序组合起来，形成简单的线性堆叠网络。
nn.ModuleList 和 nn.ModuleDict：可以动态地存储和访问子模块，支持可变长度或命名的模块集合。

4、损失函数（Loss Functions）：

torch.nn 包含了一系列用于衡量模型预测与真实标签之间差异的损失函数，例如均方误差损失（nn.MSELoss）、交叉熵损失（nn.CrossEntropyLoss）等。

5、实用函数接口（Functional Interface）：

nn.functional（通常简写为 F），包含了许多可以直接作用于张量上的函数，它们实现了与层对象相同的功能，但不具有参数保存和更新的能力。例如，可以使用 F.relu() 直接进行 ReLU 操作，或者 F.conv2d() 进行卷积操作。

6、初始化方法：

torch.nn.init 提供了一些常用的权重初始化策略，比如 Xavier 初始化 (nn.init.xavier_uniform_()) 和 Kaiming 初始化 (nn.init.kaiming_uniform_())，这些对于成功训练神经网络至关重要。

PyTorch torch.nn 模块参考手册

神经网络容器

类/函数	描述
`torch.nn.Module`	所有神经网络模块的基类。
`torch.nn.Sequential(*args)`	按顺序组合多个模块。
`torch.nn.ModuleList(modules)`	将子模块存储在列表中。
`torch.nn.ModuleDict(modules)`	将子模块存储在字典中。
`torch.nn.ParameterList(parameters)`	将参数存储在列表中。
`torch.nn.ParameterDict(parameters)`	将参数存储在字典中。

线性层

类/函数	描述
`torch.nn.Linear(in_features, out_features)`	全连接层。
`torch.nn.Bilinear(in1_features, in2_features, out_features)`	双线性层。

卷积层

类/函数	描述
`torch.nn.Conv1d(in_channels, out_channels, kernel_size)`	一维卷积层。
`torch.nn.Conv2d(in_channels, out_channels, kernel_size)`	二维卷积层。
`torch.nn.Conv3d(in_channels, out_channels, kernel_size)`	三维卷积层。
`torch.nn.ConvTranspose1d(in_channels, out_channels, kernel_size)`	一维转置卷积层。
`torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size)`	二维转置卷积层。
`torch.nn.ConvTranspose3d(in_channels, out_channels, kernel_size)`	三维转置卷积层。

池化层

类/函数	描述
`torch.nn.MaxPool1d(kernel_size)`	一维最大池化层。
`torch.nn.MaxPool2d(kernel_size)`	二维最大池化层。
`torch.nn.MaxPool3d(kernel_size)`	三维最大池化层。
`torch.nn.AvgPool1d(kernel_size)`	一维平均池化层。
`torch.nn.AvgPool2d(kernel_size)`	二维平均池化层。
`torch.nn.AvgPool3d(kernel_size)`	三维平均池化层。
`torch.nn.AdaptiveMaxPool1d(output_size)`	一维自适应最大池化层。
`torch.nn.AdaptiveAvgPool1d(output_size)`	一维自适应平均池化层。
`torch.nn.AdaptiveMaxPool2d(output_size)`	二维自适应最大池化层。
`torch.nn.AdaptiveAvgPool2d(output_size)`	二维自适应平均池化层。
`torch.nn.AdaptiveMaxPool3d(output_size)`	三维自适应最大池化层。
`torch.nn.AdaptiveAvgPool3d(output_size)`	三维自适应平均池化层。

激活函数

类/函数	描述
`torch.nn.ReLU()`	ReLU 激活函数。
`torch.nn.Sigmoid()`	Sigmoid 激活函数。
`torch.nn.Tanh()`	Tanh 激活函数。
`torch.nn.Softmax(dim)`	Softmax 激活函数。
`torch.nn.LogSoftmax(dim)`	LogSoftmax 激活函数。
`torch.nn.LeakyReLU(negative_slope)`	LeakyReLU 激活函数。
`torch.nn.ELU(alpha)`	ELU 激活函数。
`torch.nn.SELU()`	SELU 激活函数。
`torch.nn.GELU()`	GELU 激活函数。

损失函数

类/函数	描述
`torch.nn.MSELoss()`	均方误差损失。
`torch.nn.L1Loss()`	L1 损失。
`torch.nn.CrossEntropyLoss()`	交叉熵损失。
`torch.nn.NLLLoss()`	负对数似然损失。
`torch.nn.BCELoss()`	二分类交叉熵损失。
`torch.nn.BCEWithLogitsLoss()`	带 Sigmoid 的二分类交叉熵损失。
`torch.nn.KLDivLoss()`	KL 散度损失。
`torch.nn.HingeEmbeddingLoss()`	铰链嵌入损失。
`torch.nn.MultiMarginLoss()`	多分类间隔损失。
`torch.nn.SmoothL1Loss()`	平滑 L1 损失。

归一化层

类/函数	描述
`torch.nn.BatchNorm1d(num_features)`	一维批归一化层。
`torch.nn.BatchNorm2d(num_features)`	二维批归一化层。
`torch.nn.BatchNorm3d(num_features)`	三维批归一化层。
`torch.nn.LayerNorm(normalized_shape)`	层归一化。
`torch.nn.InstanceNorm1d(num_features)`	一维实例归一化层。
`torch.nn.InstanceNorm2d(num_features)`	二维实例归一化层。
`torch.nn.InstanceNorm3d(num_features)`	三维实例归一化层。
`torch.nn.GroupNorm(num_groups, num_channels)`	组归一化。

循环神经网络层

类/函数	描述
`torch.nn.RNN(input_size, hidden_size)`	简单 RNN 层。
`torch.nn.LSTM(input_size, hidden_size)`	LSTM 层。
`torch.nn.GRU(input_size, hidden_size)`	GRU 层。
`torch.nn.RNNCell(input_size, hidden_size)`	简单 RNN 单元。
`torch.nn.LSTMCell(input_size, hidden_size)`	LSTM 单元。
`torch.nn.GRUCell(input_size, hidden_size)`	GRU 单元。

嵌入层

类/函数	描述
`torch.nn.Embedding(num_embeddings, embedding_dim)`	嵌入层。

Dropout 层

类/函数	描述
`torch.nn.Dropout(p)`	Dropout 层。
`torch.nn.Dropout2d(p)`	2D Dropout 层。
`torch.nn.Dropout3d(p)`	3D Dropout 层。

实用函数

函数	描述
`torch.nn.functional.relu(input)`	应用 ReLU 激活函数。
`torch.nn.functional.sigmoid(input)`	应用 Sigmoid 激活函数。
`torch.nn.functional.softmax(input, dim)`	应用 Softmax 激活函数。
`torch.nn.functional.cross_entropy(input, target)`	计算交叉熵损失。
`torch.nn.functional.mse_loss(input, target)`	计算均方误差损失。

实例

import torch
import torch.nn as nn

# 定义一个简单的神经网络
class SimpleNet(nn.Module):
def __init__(self):
super(SimpleNet, self).__init__()
self.fc1 = nn.Linear(10, 20)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(20, 1)

def forward(self, x):
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
return x

# 创建模型和输入
model = SimpleNet()
input = torch.randn(5, 10)
output = model(input)
print(output)

如果需要更详细的信息，可以参考 PyTorch 官方文档。

83 次浏览	1次

< 首页

< 下一页